人工智能能否催化创新？生成式人工智能、资源配置新颖性与新兴市场高绩效制造企业的创新质量

作者与机构 本研究的主要作者为罗星梧、余德良和周丹，均来自中国浙江财经大学管理学院。该研究发表于期刊 *Technovation*，发表时间为2026年，具体卷期为 Technovation 153 (2026) 103525。

学术背景 本研究隶属于战略管理与创新管理交叉领域，具体聚焦于企业行为理论（Behavioral Theory of the Firm, BTOF）与数字可供性（Digital Affordance）视角。研究的核心动机源于对新兴市场中高绩效制造企业如何维持和提升创新质量的深入关切。尽管高绩效企业（即实际绩效超过其历史与行业期望水平，处于绩效期望盈余状态的企业）在推动技术进步和产业升级中扮演着关键角色，但现有研究多关注绩效未达标企业的“问题驱动式搜索”，而对于绩效盈余企业如何利用其优势实现高质量创新的机制和条件，学界探讨尚不充分。

研究的理论基础主要基于两个方面：一是企业行为理论，该理论认为企业会根据绩效反馈（与期望的对比）调整其战略行为，绩效盈余会促使企业进行“松弛搜索”，探索新机会而非解决紧迫问题；二是数字可供性视角，该视角强调数字技术（如生成式人工智能）为企业提供了新的行动可能性，能够重塑其搜索和资源配置行为。研究旨在整合这两个理论视角，探究“绩效期望盈余”如何影响“创新质量”，并引入“资源配置新颖性”作为中介机制，以及“生成式人工智能采用”作为关键的调节变量。研究目标在于揭示高绩效制造企业在数字时代，特别是在生成式人工智能技术兴起的背景下，实现高质量创新的具体路径和边界条件。

详细工作流程 本研究是一项基于大样本面板数据的实证研究，其工作流程严谨，主要包括以下几个步骤：

1. 研究设计与样本选择：

   • 研究采用中国A股上市制造企业2011年至2022年的面板数据作为分析对象。
   • 数据来源为权威的商业数据库：财务与治理数据来自中国股票市场与会计研究数据库，专利与引用数据来自中国研究数据服务平台，年报文本数据来自Wind数据库。
   • 为确保样本质量，研究排除了被标记为ST、ST*或PT的财务困境公司，剔除了关键变量缺失的观测值，并对所有连续变量进行了上下1%的缩尾处理。最终获得的有效样本为11,708个公司-年度观测值。

2. 变量定义与测量：

   • 因变量：创新质量。采用专利的平均非自引次数（滞后一年）的对数来衡量。专利非自引能更准确地反映创新成果的技术影响力和外部认可度，滞后一期则考虑了知识扩散的时间延迟，避免了反向因果问题。
   • 自变量：绩效期望盈余。借鉴Chen的方法，构建了一个综合指标。首先，计算企业的期望绩效，为历史期望（前两年资产收益率ROA的平均值）与行业期望（同年同行业其他企业ROA的平均值）的加权平均（权重设为0.6）。然后，绩效期望盈余定义为当实际ROA超过期望ROA时，两者差值与一个指示变量（超过为1，否则为0）的乘积。该值越大，表示企业的高绩效状态越强。
   • 中介变量：资源配置新颖性。从动态性和独特性两个维度衡量。动态性：计算企业四个关键资源分配指标（广告强度、研发强度、资产新颖性、资本密集度）在相邻年份间绝对变化量的标准化综合指数。独特性：计算该综合指数与同年同行业平均水平的偏离程度。最终指标整合了这两个维度，反映了企业资源配置偏离常规路径和行业惯例的程度。
   • 调节变量：生成式人工智能采用。采用文本分析法，通过分析上市公司年报内容来测量。首先，基于世界知识产权组织和中国信通院等权威机构的术语，构建了一个包含52个种子关键词的生成式AI词典。其次，利用Word2Vec模型在上市公司年报语料库上进行训练，进行语义扩展和过滤，最终得到一个包含73个高质量关键词的词典。最后，通过程序统计每家公司在每年年报中这些关键词的出现频率，并取对数作为生成式AI采用强度的代理变量。
   • 控制变量：包括公司规模、资产负债率、董事会规模、CEO两职合一、公司年龄、机构投资者持股比例，并控制了行业和年份固定效应。

3. 数据分析方法：

   • 采用固定效应模型作为主要的估计方法，以控制不随时间变化的公司异质性。
   • 为检验假设，构建了一系列回归模型：
     • 假设H1（直接效应）：检验绩效期望盈余对创新质量的直接影响。
     • 假设H2（中介效应）：采用Baron和Kenny的逐步回归法，首先检验绩效期望盈余对资源配置新颖性的影响，然后检验在控制资源配置新颖性后，绩效期望盈余对创新质量的影响是否减弱（部分中介）或消失（完全中介）。
     • 假设H3（调节效应）：在回归模型中引入绩效期望盈余与生成式AI采用的交互项，检验生成式AI采用是否正向调节绩效期望盈余与资源配置新颖性之间的关系。通过绘制交互效应图进行可视化展示。
     • 假设H4（有调节的中介效应）：采用Bootstrap方法，检验在不同水平的生成式AI采用下，绩效期望盈余通过资源配置新颖性影响创新质量的间接效应是否存在显著差异。

4. 内生性与稳健性检验：

   • 为缓解遗漏变量偏误，在基准模型中额外加入了研发强度和高管研发背景比例作为控制变量。
   • 为处理潜在的内生性问题，采用工具变量两阶段最小二乘法。以外生的省级层面环境规制强度（工业污染治理投资完成额与工业增加值的比值）作为绩效期望盈余的工具变量。
   • 进行了多项稳健性检验：使用Bootstrap方法重新检验有调节的中介效应；使用净利润率替代ROA重新计算绩效期望盈余；在模型中纳入更细化的年份×行业和年份×省份交互固定效应。

主要研究结果 1. 主效应检验结果：回归分析显示，绩效期望盈余对创新质量具有显著的正向影响（β = 0.5351， p < 0.05），支持了假设H1。这表明，当制造企业的绩效超过其期望水平时，它们更有可能产生高质量（被广泛引用）的创新成果。

1. 中介效应检验结果：逐步回归结果支持了资源配置新颖性的部分中介作用。首先，绩效期望盈余显著正向影响资源配置新颖性（β = 2.0063， p < 0.01）。其次，资源配置新颖性显著正向影响创新质量（β = 0.0052， p < 0.01）。最后，在加入资源配置新颖性后，绩效期望盈余对创新质量的直接效应系数虽然仍然显著，但有所减小（从0.5351降至0.5247）。这证实了绩效期望盈余部分地通过促使企业进行新颖的、非惯例的资源配置，从而提升了创新质量，假设H2得到支持。

2. 调节效应检验结果：交互项回归系数显著为正（β = 4.6634， p < 0.01），支持了假设H3。交互效应图进一步揭示了一个有趣且重要的发现：在生成式AI采用水平较低时，绩效期望盈余对资源配置新颖性的影响甚至为负；但随着生成式AI采用水平的提高，这种关系转变为显著的正向关系，且效应不断增强。 这意味着，生成式AI的采用是解锁高绩效企业创新潜力的关键“催化剂”。没有足够水平的生成式AI，绩效盈余可能反而导致企业固守现有路径（例如进行局部优化或增量创新），抑制了系统性探索和结构性重构；而高水平的生成式AI采用则能有效放大绩效盈余对资源配置新颖性的积极影响。

3. 有调节的中介效应检验结果：Bootstrap分析表明，生成式AI采用水平调节了间接效应的强度。在低生成式AI采用水平下，绩效期望盈余通过资源配置新颖性影响创新质量的间接效应为负且显著；在平均采用水平下，间接效应转为正且显著；在高采用水平下，该间接效应变得更强。这完全支持了假设H4，说明生成式AI不仅直接增强了绩效盈余与资源配置新颖性的关系，还强化了整个“绩效盈余 → 资源配置新颖性 → 创新质量”的中介路径。

4. 内生性与稳健性检验结果：所有稳健性检验，包括加入额外控制变量、使用工具变量法、替换关键变量测度、采用更严格的固定效应模型等，均未改变上述核心结论，证明了研究结果的可靠性。工具变量检验中，Kleibergen-Paap LM统计量显著，且Wald F统计量大于临界值，表明工具变量有效且不存在弱工具变量问题。

结论与意义 本研究得出以下核心结论：对于新兴市场中的高绩效制造企业，绩效期望盈余能够显著提升其创新质量。这一积极影响部分是通过“资源配置新颖性”这一中介机制实现的，即绩效盈余促使企业进行更动态、更独特的资源重新部署，从而支持了高质量创新。更重要的是，生成式人工智能的采用在这一过程中扮演了关键的“赋能者”和“放大器”角色。它正向调节了绩效盈余与资源配置新颖性之间的关系，使得高绩效企业在采用高水平生成式AI时，更能将财务松弛转化为突破性的资源配置策略，进而更有效地提升创新质量。

研究的科学价值与应用价值： * 理论贡献： 1. 理论整合与拓展：成功地将企业行为理论与数字可供性视角相结合，为理解数字技术（尤其是生成式AI）如何改变企业基于绩效反馈的战略行为提供了新的理论框架。这回应了学界关于放松BTOF“机械反应”假设的呼吁。 2. 机制揭示：首次引入并实证检验了“资源配置新颖性”作为连接绩效期望盈余与创新质量的关键中介机制，打开了高绩效企业如何维持高质量创新的“黑箱”，丰富了关于企业创新战略与资源基础观的研究。 3. 边界条件探索：明确了生成式AI采用是上述关系的重要边界条件，将BTOF和数字创新的研究延伸至新兴技术情境，强调了技术赋能对企业战略决策的塑造作用。 * 实践启示： 1. 对高绩效企业管理者：应将绩效盈余视为战略机遇而非保守的理由，主动将其引导至支持高质量创新的活动中。需建立动态、新颖的资源配置流程。 2. 对数字化转型：应战略性地投资和应用生成式AI等先进技术，将其深度整合到资源分配与创新决策中，利用其学习和自主能力拓宽搜索视野、优化配置方案，实现从被动响应到主动探索的战略转型。

研究亮点 1. 重要的研究发现：揭示了“绩效期望盈余 → 资源配置新颖性 → 创新质量”的作用路径，并发现了生成式AI采用的“催化剂”效应。特别是指出低水平的生成式AI采用可能无法激发甚至抑制高绩效企业的探索行为，这一发现具有重要的警示和指导意义。 2. 新颖的研究方法：创造性地采用基于深度学习的文本分析方法（Word2Vec模型）构建了针对中文语境的企业生成式AI采用强度词典，为在缺乏直接披露数据的情况下测量企业前沿技术应用提供了可行且严谨的度量方案。 3. 研究对象的特殊性：聚焦于新兴市场（中国）的高绩效制造企业，填补了该领域的研究空白。研究结论对于理解后发经济体中的领先企业如何利用数字技术实现创新追赶和维持竞争力具有重要参考价值。 4. 严谨的实证设计：采用了大规模面板数据、多种模型设定、工具变量法以及一系列稳健性检验，确保了研究结论的可靠性和普适性。

其他有价值的内容 研究在讨论部分对“低水平生成式AI采用导致负面调节”的现象进行了深入分析，指出可能的原因包括：技术应用碎片化导致信息孤岛和认知偏差；低水平应用可能将资源导向局部优化而非系统性重构；在没有深度整合的情况下，AI工具可能反而强化对现有模式的依赖。这为后续研究技术采纳的“黑暗面”或非预期后果提供了思路。此外，文章在局限性中也展望了未来研究方向，如将研究拓展至不同国家、行业和企业类型，探讨生成式AI长期使用可能带来的算法偏见、技能退化、路径依赖等风险，以及相应的治理机制。